PyBrain-Python的人工神經網絡

python有一個很好用的神經網絡庫。雖然sklearn很強大，可是好像對神經網絡的支持並非那麼那好。html

1.安裝python

安裝很方便，項目是一個開源的，託管在github上。若是你用的也是Anconda平臺，那麼在Anconda Prompt的命令行中敲下
git

pip install git+https://github.com/pybrain/pybrain.git@0.3.3github

等一下子就會裝好了。裝好了是這樣的：網絡

而後就能在ide裏面import pybrain了。數據結構

2.創建神經網絡的拓撲結構app

有兩種方式，一種比較簡單，直接指明層的數目就能夠了ide

net = buildNetwork(4, 10, 1)

這樣你就創建了一個輸入層爲4個節點，隱藏層爲10個節點，一個輸出節點的神經網絡拓撲結構。

當時，我的仍是建議使用複雜一點的神經網絡創建方法。函數

def netBuild(ds):
#    net = buildNetwork(4, 10, 1)

    # 創建神經網絡fnn
    fnn = FeedForwardNetwork()

# 設立三層，一層輸入層（3個神經元，別名爲inLayer），一層隱藏層，一層輸出層
    inLayer = LinearLayer(4, name='inLayer')
    hiddenLayer = SigmoidLayer(13, name='hiddenLayer0')
    outLayer = LinearLayer(1, name='outLayer')

# 將三層都加入神經網絡（即加入神經元）
    fnn.addInputModule(inLayer)
    fnn.addModule(hiddenLayer)
    fnn.addOutputModule(outLayer)

# 創建三層之間的鏈接
    in_to_hidden = FullConnection(inLayer, hiddenLayer)
    hidden_to_out = FullConnection(hiddenLayer, outLayer)

# 將鏈接加入神經網絡
    fnn.addConnection(in_to_hidden)
    fnn.addConnection(hidden_to_out)

# 讓神經網絡可用
    fnn.sortModules()
    
    print "Trainging"
    trainer = BackpropTrainer(net, ds,verbose = True, learningrate=0.01)
    #trainer.train()
    trainer.trainUntilConvergence(maxEpochs=100)
    print "Finish training"
    return fnn

上面的代碼，咱們寫了一個函數，這個函數返回了fnn，也就是一個神經網絡結構。在創建了fnn後，其實咱們還作了一個工做，就是訓練。首先咱們是設置了個訓練器traine，verbose=True這一條仍是建議打開的，這樣在訓練的過程當中咱們可以看到當前訓練的狀況。learningrate則是學習率。

最後開啓訓練器，trainer.trainUntilConergence這個函數能夠設置最大的訓練次數。學習

這時候有同窗就要問了，怎麼沒提到數據。訓練的樣本數據是這個函數的參數。

3.訓練樣本def readData(path):

def readData(path):
    reader = csv.reader(file(path, 'rb'))
    data = []
    for line in reader:
        data.append((float(line[1]),float(line[2]),float(line[3]),float(line[4]),float(line[0])))
    return data

咱們的神經網絡四個輸入一個輸出的，因此對於學習樣本就應該有五個記錄。在個人數據中，有五個記錄，也就是五列數據。第一列是結果，後面四列是輸入。

這個函數，傳入的參數path就是文件的路徑。這裏，文件的讀取咱們用了一點點tip。首先是

reader = csv.reader(file(path, 'rb'))

這裏，file（path，‘rb’）返回的是一個文件句柄，外面用csv流作一個包裝，而後就能夠很方便的讀取了，源文件的每一行都變成了一個list，list中的元素就是被「，」分開的元素。

def dsBuild(data):
    ds = SupervisedDataSet(4, 1)
    for ele in data:
        ds.addSample((ele[0],ele[1],ele[2],ele[3]), (ele[4]))
    dsTrain,dsTest = ds.splitWithProportion(0.8)
    return dsTrain,dsTest

有了這樣的數據也不能直接放到神經網絡裏面去訓練。PyBrain有本身的訓練數據結構，固然，說白了就是ndarray。

ds = SupervisedDataSet(4, 1)

這裏定義了一個SupervisedData的數據結構，四個輸入，一個輸出。這個數據結構還有一個方法，可以給使用者隨機按比例切割整個數據集，這個方法就是

splitWithProportion()

傳入的參數是分割數據集的比例。如0.8則表示2/8分割。

4.使用神經網絡

dsTrain,dsTest = dsBuild(readData(path))
netModel = netBuild(dsTrain)
dsTest = dsTrain
#pred=[]
for i in range(0,len(dsTest['input'])):
    error = dsTest['target'][i]-netModel.activate((dsTest['input'][i][0],dsTest['input'][i][1],dsTest['input'][i][2],dsTest['input'][i][3]))
    print error

最後把上面的函數用起來就能夠了。模型訓練完以後，只要用activate方法，傳入輸入的量，就能夠獲得結果。

5.更多的內容，能夠去官網看哦。

http://www.pybrain.org/docs/index.html

不過彷佛官網乾貨並很少。

本文同步分享在博客「錢塘小甲子」（CSDN）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。